Machine learning is ideeënfase voorbij

Machine learning is de fase van mooie ideeën voorbij. Dit jaar hebben we het over toegepaste technieken, met soms overweldigende, baanbrekende oplossingen. Hoe ver is machine learning? De computer weet inmiddels al wel wie de Oscars winnen.

Concluderend naar aanleiding van ons bezoek vorige week aan de Papi’s, dé internationale conferentie over real world machine learning stories, is het toepassen van machine learning (ML) gegroeid. Vorig jaar hoorden we voornamelijk de verhalen van briljante geesten met een goed idee rond dit thema, nu zijn we duidelijk verder.

Terug naar het begin: wat is machine learning ook alweer?

In feite is ML een statistisch computermodel dat in staat is om te leren van data. Het model wordt geleerd om patronen te herkennen. In de begindagen hadden we het hier over het kunnen herkennen van bijvoorbeeld handschriften of zeer basale afbeeldingen.

Een ML-model bestaat uit een netwerk van neuronen, vergelijkbaar met het menselijke brein, dat ook uit neuronen (zenuwbanen) bestaat. Het menselijke brein functioneert door de connectie tussen allerlei zenuwbanen en is daardoor in staat om output te geven in de vorm van emoties en herkenning.

Voor een machine learningmodel is dit niet heel anders. Het model is een soort beslisboom op basis van neuronen die op verschillende manieren met elkaar te koppelen zijn en afhankelijk van welke input eraan gegeven wordt de beslisboom doorloopt. Waar het in ML lastiger wordt wanneer het sentiment moet gaan herkennen. Dit is een zeer complex vraagstuk dat simpelweg in de huidige tijd te moeilijk is om te leren.

Om een ML-model te laten leren is er zeer veel rekenkracht nodig. Je kunt je voorstellen dat wanneer je honderdduizenden rijen data gaat ingeven, het een hele tijd zal duren voordat het model goed genoeg getraind is om output te genereren die ergens op slaat. Om dat te kunnen bereken maken ML-modellen gebruik van GPU, Graphics Processing Unit. Juist, diezelfde GPU’s als in spelcomputers. De reden dat er voor GPU gekozen wordt, is omdat deze veel meer rekenkracht heeft dan een CPU. Echter, door ontwikkelingen zoals de Blockchain, welke ook enorme rekenkracht vergt, is er sprake van stevige concurrentie tussen de data en gaming markten en een schaarste op de markt. Tot grote ergernis van partijen als Sony, verantwoordelijk voor de o.a. Playstation.

Zolang we niet in staat zijn het probleem omtrent rekenkracht te tackelen (lees: meer GPU’s produceren tegen betaalbare prijzen), zal het trainen van grote en complexe ML-modellen veel tijd en geld blijven kosten.

Waar staan we met concrete toepassingen?

Op conferenties zoals de Papi’s wordt er vanuit de technologische wereld geshowd wat er op dit moment speelt en wat er allemaal mogelijk is met ML. Er zijn tal van initiatieven die voor een revolutie gaan zorgen op verschillende domeinen. Zoals in het begin al genoemd, is het dit jaar een jaar van proof-of-concept. Modellen die daadwerkelijk in productie zijn genomen en die in een start-up achtige setting stuk voor stuk maatschappelijke problemen aanpakken.

Mooie voorbeelden hiervan zijn Antiverse of GTN, beiden startups die ML gebruiken om de gezondheidszorg te verbeteren.

In het geval van Antiverse hebben we het over een model dat ontdekking van medicatie voor de behandeling van specifieke antistof ziekten mogelijk maakt. Door het computationeel voorspellen van antilichaam-en antigeen bindingen binnen een dag, is er een enorme winst te behalen in de behandeling van dergelijke aandoeningen. Waar het gemiddelde nu op 3 tot 18 maanden ligt voordat er een behandeling ontdekt wordt.

GTN combineert geavanceerde generatieve ML modellen met quantumfysica om het proces van geneesmiddelen ontdekking te versnellen. Door continu te zoeken naar nieuwe chemisch samenstellingen waar de mens jaren over zou doen. Het zijn twee voorbeelden van machine learningtoepassingen in de gezondheidszorg waarvan de hele wereld kan gaan profiteren.

Machine learning in de creatieve sector

Op het eerste oog combineer je creativiteit en machine learning niet meteen met elkaar. Machines kunnen niet creatief zijn, toch? Ze kunnen echter wel degelijk ondersteunen in het creatieve proces. Een leuk voorbeeld hiervan is Folk-RNN, een ML-model dat door het leren van tienduizenden Ierse volksmuziek melodieën in staat is eigen melodieën te componeren. Met de nadruk op melodie, dat iets beduidend anders is dan muziek. Dat blijft dan weer mensenwerk.

Verder gebruiken veel designers, bewust of onbewust, ook al AI toepassingen in hun dagelijks werk. Zo bevatten de Adobe programma’s zoals InDesign en Photoshop tools die gebruik maken van machine learning, zoals de ‘liquify’ tool in Photoshop. Zo zit AI dus eigenlijk al verwerkt in ons dagelijks leven.

BigML, een van de meest bekende machine learning platforms, is een ander goed voorbeeld. Zij hebben door zes van de zes Oscarwinnaars van 2018 correct te voorspellen door middel van machine learning, de publieke discussie aangewakkerd. Je kunt je afvragen hoeveel waarde we moeten hechten aan het voorspellen van de Oscars, maar zeker voor het grote publiek worden technieken als ML begrijpelijker gemaakt door dergelijke proof of concepts.

De ethische vraagstukken

Ondanks alle mooie proof of concepts die er op dit moment in de markt zijn, zijn problemen met rekenkracht, een tegensputterende maatschappij en de ethische kwesties die daarbij horen, discussiepunten die het uitrollen van ML oplossingen tegenwerken. We hebben het al vaker gezegd in verschillende artikelen, wij, de technologische gemeenschap, is verantwoordelijk voor de keuzes die er gemaakt worden in ML modellen. Verantwoordelijkheden als transparantie, het gebruik van zuivere data en om de gehele publieke maatschappij te informeren om te kunnen begrijpen, liggen bij ons. Van developers tot aan de gebruikers, we hebben de plicht om de mensheid te beschermen tegen verkeerde ML toepassingen en na te denken over de ethische vraagstukken die daarbij komen kijken.

Is het wel verantwoord om machines te laten leren, wat wij mensen van nature al kunnen? Als je een model traint met open source data, data die vrij verkrijgbaar is op het web, wie is er dan eigenlijk eigenaar van de output die er gegenereerd wordt en hoe ga je om met biased data? Data waarin een “fout” zit of welke vervuild is. Dit kan met name voor modellen waarin het bijvoorbeeld om gezondheidszorg gaat voor hele verkeerde output zorgen.

Stel je voor dat er een model is dat voorspelt hoe een bepaalde ziekte genezen zou kunnen worden, maar dat de data die daarvoor gebruikt is een specifieke bevolkingsgroep niet goed genoeg in beschouwing heeft genomen. De output kan wijzen op een bepaalde vorm van genezing, maar wat nu als die specifieke groep niet goed reageert op die genezing en het ziektebeeld misschien wel verergerd?

Al deze vraagstukken, en nog veel meer, moeten wij als technologische gemeenschap helder hebben. Er moet, zeker bij dit soort delicate modellen, nul procent foutmarge in zitten.

ML in de toekomst

Maar wat betekenen deze ontwikkelingen nu concreet voor onze markt, het leven dat we nu leiden en onze toekomst? Op den duur zal ML zeker de repetitieve taken van onze dagelijkse werkzaamheden gaan vervangen. Denk bijvoorbeeld aan een inkoopproces of het uitserveren van relevante content voor je gebruiker. Betekend dit dan dat er veel werkgelegenheid verloren zal gaan in dergelijke sectoren? Dat valt nog te bezien, de focus voor menselijk handelen veranderd. Er zal dus minder behoefte zijn aan het uitvoeren van repetitieve taken. Daarentegen brengt het weer ruimte met zich mee om andere en nieuwe dingen te doen of juist te focussen op dat wat echt belangrijk is in je functie.

Huidige en nieuwe generaties groeien op in een wereld waarin technologische ontwikkelingen bij het leven horen. Zelfrijdende auto’s zijn volop in ontwikkeling en over een paar jaar niet uit ons straatbeeld weg te denken.

Digitale Marketing zal alleen nog maar op basis van feiten gedaan worden en niet meer op onderbuik gevoel. We laten machines voorspellen wat we willen eten, kopen, doen op de familiedag, etc.  Maar ook in de veiligheidssector is het niet ondenkbaar dat bijvoorbeeld natuurrampen veel beter voorspeld, gecoördineerd en misschien zelfs wel voorkomen kunnen worden.

Er is immers geen weg meer terug. Artificial Intelligence en Machine Learning is al volop aanwezig; het is aan ons om dit in goede banen te leiden en de verantwoordelijkheid te nemen die past bij deze innovatie en vooral de voordelen te zien van wat het ons te bieden heeft!

Dit artikel is samen geschreven met Vera Engelbertink.